A novel method for the classification of Alzheimer's disease from normal controls using magnetic resonance imaging

Alzheimer's disease (AD) is the most prevalent form of dementia. Although fewer people, who suffer from AD are correctly and promptly diagnosed, due to a lack of knowledge of its cause and unavailability of treatment, AD is more manageable if the symptoms of mild cognitive impairment (MCI) are in an early stage. In recent years, computer‐aided diagnosis has been widely used for the diagnosis of AD. The main motive of this paper is to improve the classification and prediction accuracy of AD. In this paper, a novel approach is developed to classify MCI, normal control (NC), and AD using structural magnetic resonance imaging (sMRI) from the Alzheimer's disease Neuroimaging Initiative (ADNI) dataset (50 AD, 50 NC, 50 MCI subjects). FreeSurfer is used to process these MRI data and obtain cortical features such as volume, surface area, thickness, white matter (WM), and intrinsic curvature of the brain regions. These features are modified by normalizing each cortical region's features using the absolute maximum value of that region's features from all subjects in each group of MCI, NC, and AD independently. A total of 420 features are obtained. To address the curse of dimensionality, the obtained features are reduced to 30 features using a sequential feature selection technique. Three classifiers, namely the twin support vector machine (TSVM), least squares TSVM (LSTSVM), and robust energy‐based least squares TSVM (RELS‐TSVM), are used to evaluate the classification accuracy from the obtained features. Five‐fold and 10‐fold cross‐validation are used to validate the proposed method. Experimental results show an accuracy of 100% for the studied database. The proposed approach is innovative due to its higher classification accuracy compared to methods in the existing literature.     

基于直推式支持向量机的图像检索

为缩小图像的低层特征与高层语义之间的语义鸿沟,基于支持向量机的相关反馈机制受到越来越广泛的关注,但这种方法并没有利用未标记样本的隐含信息.为更好地利用这些信息,提出将直推式支持向量机作为反馈过程中的学习算法.通过分析其所用特征向量的特点,设计一种颜色稀疏特征,并将其与纹理特征结合作为图像描述的特征.实验结果表明该方法较令人满意,同时也说明直推式支持向量机可在文本分类以外的领域取得较好结果.     

雾和气溶胶的光学特性对前向散射和总散射能见度仪性能的影响

建立了完整的散射式能见度仪（SVM）探测方程,搜集整理了典型天气条件下雾和气溶胶的观测资料,在此基础上,运用米散射理论计算并分析了雾和气溶胶的光散射特性及其对前向散射能见度仪（FSVM）和总散射能见度仪（TSVM）探测性能的影响。结果表明:大气散射特性显著影响SVM 的探测误差,且FSVM 受影响程度超过TSVM;雾天气下FSVM 与TSVM 的探测误差基本相当,而气溶胶天气下FSVM 探测误差比TSVM 约大6%;相同天气条件下,TSVM 接收的光通量约为FSVM 的7倍,但TSVM 泄露的散射光仍不能忽略,否则将导致较大的系统误差;若不计光通量测量误差,雾天气下FSVM 与TSVM 的探测误差分别为4.06%、5.54%,气溶胶天气下分别为35.80%、30.33%。所得结果可为SVM 的光路设计、误差分析和比对试验等提供支持。     

一种基于MI-Simba算法的香烟烟雾识别方法*

香烟烟雾对环境条件敏感以及多特征间存在冗余,都导致无法在视频监控中准确进行烟雾识别,因此提出一种高维互信息与Simba特征加权相结合的算法(MI-Simba).首先采用视频特征提取方法获取烟雾统计度量特征、颜色布局特征和动态特征,构建初始特征向量;然后利用MI-Simba算法进行自动更新,构建该环境下最优特征组合;最后采用直推式支持向量机进行分类识别.针对室内和楼宇内场景,自建封闭空间吸烟视频数据集,采用5倍交叉策略进行比较验证,实验结果验证该算法在识别率和灵敏度两方面的有效性和优越性.     

基于霍夫森林和半监督学习的图像分类

机器学习中的监督学习算法需要用有标记样本训练分类模型。而收集训练样本,并进行分类的过程,需要耗费大量人力物力以及时间。因此,如何高效率地完成图像分类一直是业内研究的热点。提出了一种基于霍夫森林和半监督学习的图像分类算法,能用较少的样本训练分类器,并在分类的过程中不断获取新的训练样本。并对部分训练结果加以人工标注,该方法有效提高了标注效率。利用COREL数据对该算法进行了实验验证,结果表明,该算法可以利用少量的训练样本,得到令人满意的标注精确度,提高人工效率。     

直推式支持向量机在Web信息抽取中的应用研究

直推式支持向量机是一种直接从已知样本出发对特定的未知样本进行识别的分类技术。在分析直推式支持向量机分类原理的基础上,提出一种基于直推式支持向量机的Web信息抽取方法,直接从分类的角度抽取Web信息。只需要提供少量标记样本就可以实现对大量未标注样本的分类标注,从而以分类的方式完成Web数据抽取任务。实验结果表明,使用这种方法进行Web信息抽取是有效性。     

一种基于TSVM-MRF的变化检测方法

变化检测可以视为一个二分类问题,因而可以采用分类器实现变化检测。由于支持向量机没有考虑到各样本之间的空间约束,利用支持向量机分类得到的变化检测结果存在零碎噪声。为了解决这个问题,结合直推式支持向量机(TSVM)和具备上下文约束关系的马尔可夫随机场(MRF)进行变化检测。方法首先采用 TSVM 对样本进行训练和分类,接着将 TSVM变化检测结果作为 MRF 的输入,利用 MRF 方法进行二次变化检测。该方法将 TSVM 的训练学习能力和 MRF 的邻域特性相结合,在实验数据集下获得比一般方法更好的变化检测效果。     

基于非线性特征的表面肌电信号模式识别方法

该文提出一种计算非线性时间序列信号Lyapunov指数的新方法球均值Lyapunov指数计算法,用于肢体肌电信号的特征提取与分类。首先采用所提方法计算出肌电信号的Lyapunov指数,并与关联维组合构成输入特征向量,然后用二叉树法构造基于对支持向量机的多类分类器,对握拳、展拳、腕内旋、腕外旋4类动作模式进行分类识别。实验结果表明,该方法不仅具有比 Rosenstein 算法更强的抗干扰能力,而且在肌电信号的特征提取与分类应用中取得96.0%以上的识别率,适合于分析信噪比较低的混沌信号。     

一种结合K近邻法的改进的渐进直推式支持向量机学习算法

为了进一步提高改进的渐进直推式支持向量机学习算法(IPTSVML)的速度,提出了一种结合K近邻法(KNN)的改进的渐进直推式支持向量机学习算法,利用KNN对无标签样本集进行删减,去掉对学习作用不大的无标签样本,再对有标签样本集和剩余的无标签样本集利用IPTSVML算法进行学习与分类。雷达实测数据实验结果表明该算法是有效的。     

基于K-means特征的复杂环境下道路识别算法*

基于视觉的智能车辆导航技术是通过对各种道路环境进行感知和理解,从而确定智能车辆的可行驶区域。针对实际道路环境的复杂性与多样性问题,提出了能够适应复杂环境的道路识别算法。首先,使用SLIC(Simple Linear Iterative Clustering)超像素分割算法对原始道路图像进行超像素分割,得到性质相同、尺寸均匀的超像素块;其次,基于超像素块使用K-means聚类算法提取出图像中道路区域与非道路区域的K维特征数据,并将提取的特征数据组成训练数据集;然后,针对经典双支持向量机(TSVM)训练时间久、无法求解逆矩阵的问题进行适当地矫正,使用训练数据集训练矫正后的双支持向量机;最后,使用训练好的双支持向量机进行道路与非道路的分类识别。4组道路场景的实验结果表明,与基于滑动窗口和颜色、Gabor纹理特征的方法对比,本文算法能够有效地识别具有阴影、水迹、障碍物等复杂环境下的道路;以人工标注结果为标准,前3组识别错误率低于0.1,第4组识别错误率低于0.15;与传统SVM相比,矫正的TSVM具有更高的效率,可以大大降低训练时间。本文算法在复杂环境下道路识别错误率低,性能良好,为道路环境感知和理解提供了一种新的方法。